UTILIZANDO MACHINE LEARNING PARA ANÁLISE DE DADOS ESCOLARES: UMA ANÁLISE COMPARATIVA DE MODELOS

Celso Barreto da SILVA, Fábio Fonseca Barbosa GOMES, Fábio Fonseca Barbosa GOMES, José Vicente Cardoso dos SANTOS, José Vicente Cardoso dos SANTOS

Resumo


O texto discute a utilização de modelos de aprendizagem de máquina para análise de dados escolares, com o objetivo de fornecer uma visão geral comparativa dos diferentes modelos disponíveis para essa finalidade. Inicialmente, é apresentado alguns conceitos fundamentais sobre aprendizado de máquina e, em seguida, se descreve os modelos utilizados na análise dos dados escolares com sob o domínio da evasão escolar, incluindo árvores de decisão, redes neurais e regressão logística. Também é discutido as vantagens e desvantagens de cada modelo, bem como as situações em que cada um deles é mais adequado para ser utilizado. Por fim, ele apresenta algumas considerações sobre a importância da escolha adequada do modelo para a obtenção de resultados precisos na análise de dados escolares, destacando a importância do conhecimento especializado em aprendizado de máquina para a realização de análises eficazes

Texto completo:

PDF

Referências


ALPAYDIN, E. (2010). Introduction to machine learning (2nd ed.). Cambridge, MA: MIT Press. Disponível em . Acesso em janeiro de 2023.

BAGGI, Cristiane Aparecida Dos Santos e DOS SANTOS BAGGI; Cristiane Aparecida e LOPES, Doraci Alves. Evasão e avaliação institucional no ensino superior: uma discussão bibliográfica. Avaliação: Revista da Avaliação da Educação Superior(Campinas). [S.l: s.n.]. Disponível em: . 2011.

FERNÁNDEZ-DELGADO, M., Cernadas, E., Barro, S., & Amorim, D. (2014). Do we need hundreds of classifiers to solve real world classification problems?. Journal of Machine Learning Research, 15(1), 3133-3181. Disponível em: Acesso em: 07 de janeiro de 2023.

GAIOSO, N. P. L. O fenômeno da evasão escolar na educação superior no Brasil. 2005. 75 f. Dissertação (Mestrado em Educação) Programa de Pós-Graduação em Educação da Universidade Católica de Brasília, Brasília, DF, 2005.

HASTIE, T., TIBSHIRANI, R., & FRIEDMAN, J. (2009). The elements of statistical learning: Data mining, inference, and prediction. Springer.

HU, X., LI, Y., LI, Z., LI, D., & LI, H. (2020). An improved neural network based approach for predicting student dropout in higher education. Journal of Intelligent & Fuzzy Systems, 38(2), 153-162.

KAYA, H., & UYSAL, A. K. (2021). Predictive analysis of student achievement using machine learning algorithms. Education and Information Technologies, 26(4), 4661-4684. Disponível em: https://link.springer.com/article/10.1007/s10639-021-10695-5.

KOTSIANTIS, S., ZAHARAKIS, I., & PINTELAS, P. (2007). Supervised machine learning: A review of classification techniques. Emerging Artificial Intelligence Applications in Computer Engineering, 160-183.


Apontamentos

  • Não há apontamentos.


JNT - Facit Business and Technology Journal

ISSN 2526-4281